Python数据分析系列课程：学习数据挖掘

第1章 python机器学习与数据挖掘概述 - 1-1 如何用python做机器学习或数据挖掘？ - 1-2 课程内容介绍 - 1-3 使用sklearn的样本数据集 - 1-4 sklearn基本操作入门 第2章 数据的预处理 - 2-1 连续变量的标准化 - 2-2 考虑异常分布的标准化 - 2-3 分类变量的预处理 - 2-4 缺失值的填充 - 2-5 生成多项式特征 - 2-6 自定义转换器 第3章 特征选择与信息浓缩 - 3-1 特征筛选概述 - 3-2 基于简单统计特征进行筛选 - 3-3 基于统计误差进行筛选 - 3-4 基于建模结果进行筛选 - 3-5 数据降维与信息浓缩 第4章 回归类模型的训练 - 4-1 回归类模型概述 - 4-2 回归类模型的种类 - 4-3 线性回归的sklearn实现 - 4-4 多项式回归 - 4-5 岭回归的基本原理 - 4-6 岭回归的实现 - 4-7 LASSO回归与弹性网络 - 4-8 最小角回归 - 4-9 梯度下降法的基本原理 - 4-10 随机梯度下降回归 第5章 类别预测模型的训练 - 5-1 类别预测模型概述 - 5-2 类别预测模型的实现原理 - 5-3 类别预测模型的种类 - 5-4 logistic回归 - 5-5 神经网络的基本原理 - 5-6 神经网络的实现 - 5-7 树模型的基本原理 - 5-8 树模型的实现 - 5-9 随机梯度下降分类 第6章 聚类模型的训练 - 6-1 聚类分析概述 - 6-2 聚类分析的种类 - 6-3 K均值聚类 - 6-4 birch聚类 - 6-5 DBSCAN聚类 第7章 评估模型效果 - 7-1 类别预测模型的评价 - 7-2 分类模型评价：混淆矩阵 - 7-3 分类模型评价：准确率与召回率 - 7-4 分类模型评价：结果的汇总 - 7-5 分类模型评价：ROC曲线 - 7-6 回归模型的评价 - 7-7 聚类模型的评价 - 7-8 将模型结果与随即预测结果相比较 第8章 数据的拆分 - 8-1 数据拆分方法概述 - 8-2 二分法的sklearn实现 - 8-3 交叉验证的sklearn的实现1 - 8-4 交叉验证的sklearn实现2 第9章 模型参数优化 - 9-1 如何改进数据挖掘模型的效果 - 9-2 参数的网格搜索 - 9-3 参数的随机搜索 - 9-4 验证曲线 - 9-5 学习曲线 第10章 模型集成 - 10-1 用模型集成改进效果的基本思路 - 10-2 投票分类器 - 10-3 模型集成的基本原理 - 10-4 Bagging方法的sklearn实现 - 10-5 随机森林 - 10-6 adaboost方法 - 10-7 GBDT方法 测试题